建立计量经济学模型的步骤和要点.docx
《建立计量经济学模型的步骤和要点.docx》由会员分享,可在线阅读,更多相关《建立计量经济学模型的步骤和要点.docx(6页珍藏版)》请在冰豆网上搜索。
![建立计量经济学模型的步骤和要点.docx](https://file1.bdocx.com/fileroot1/2023-1/3/ffc128a7-56fc-4e56-b786-2e3634fb3805/ffc128a7-56fc-4e56-b786-2e3634fb38051.gif)
建立计量经济学模型的步骤和要点
建立计量经济学模型的步骤和要点
一、理论模型的设计
对所要研究的经济现象进行深入的分析,根据研究的目的,选择模型中将包含的因素,根据数据的可得性选择适当的变量来表征这些因素,并根据经济行为理论和样本数据显示出的变量间的关系,设定描述这些变量之间关系的数学表达式,即理论模型。
生产函数就是一个理论模型。
理论模型的设计主要包含三部分工作,即选择变量、确定变量之间的数学关系、拟定模型中待估计参数的数值范围。
1、确定模型所包含的变量
在单方程模型中,变量分为两类。
作为研究对象的变量,也就是因果关系中的“果”,例如生产函数中的产出量,是模型中的被解释变量;而作为“原因”的变量,例如生产函数中的资本、劳动、技术,是模型中的解释变量。
确定模型所包含的变量,主要是指确定解释变量。
可以作为解释变量的有下列几类变量:
外生经济变量、外生条件变量、外生政策变量和滞后被解释变量。
其中有些变量,如政策变量、条件变量经常以虚变量的形式出现。
严格他说,上述生产函数中的产出量、资本、劳动、技术等,只能称为“因素”,这些因素间存在着因果关系。
为了建立起计量经济学模型,必须选择适当的变量来表征这些因素,这些变量必须具有数据可得性。
于是,我们可以用总产值来表征产出量,用固走资产原值来表征资本,用职工人数来表征劳动,用时间作为一个变量来表征技术。
这样,最后建立的模型是关于总产值、固定资产原值、职工人数和时间变量之间关系的数学表达式。
下面,为了叙述方便,我们将“因素”与“变量”间的区别暂时略去,都以“变量”来表示。
关键在于,在确定了被解释变量之后,怎样才能正确地选择解释变量。
第三,选择变量时要考虑所有入选变量之间的关系,使得每一个解释变量都是独立的。
这是计量经济学模型技术所要求的。
当然,在开始时要做到这一点是困难的,如果在所有入选变量中出现相关的变量,可以在建模过程中检验并予以剔除。
从这里可以看出,建立模型的第一步就已经体现了计量经济学是经济理论、经济统计学和数学三者结合的思想。
在选择变量时,错误是容易发生的。
下面的例子都是从已有的计量经济学应用研究成果中发现的,代表了几类容易发生的错误。
例如:
农副产品出口额=-107.66+0.13某社会商品零售总额十0.22某农副产品收购额
农业总产值=0.78+0.24某粮食产量+0.05某农机动力—0.21某受灾面积
这里选择了不独立的变量,因为粮食产量是受农机动力和受灾面积影响的,它们之间存在相关性。
值得注意的是上述几个模型都能很好地拟合样本数据,所以绝对不能把对样本数据的拟合程度作为判断模型变量选择是否正确的主要标准。
变量的选择不是一次完成的,往往要经过多次反复。
2.确定模型的数学形式
选择了适当的变量,接下来就要选择适当的数学形式描述这些变量之间的关系,即建立理论模型。
选择模型数学形式的主要依据是经济行为理论。
在数理经济学中,已经对常用的生产函数、需求函数、消费函数、投资函数等模型的数学形式进行了广泛的研究,可以借鉴这些研究成果。
需要指出的
是,现代经济学尤其注重实证研究,任何建立在一定经济学理论假设基础上的理论模型,如果不能很好地解释过去,尤其是历史统计数据,那么它是不能为人们所接受的。
这就要求理论模型的建立要在参数估计、模型检验的全过程中反复修改,以得到一种既能有较好的经济学解释又能较好地反映历史上已经发生的诸变量之间关系的数学模型。
忽视任何一方面都是不对的。
也可以根据变量的样本数据作出解释变量与被解释变量之间关系的散点图,由散点图显示的变量之间的函数关系作为理论模型的数学形式。
这也是人们在建模时经常采用的方法。
在某些情况下,如果无法事先确定模型的数学形式,那么就采用各种可能的形式进行试模拟,然后选择模拟结果较好的一种。
3.拟定理论模型中待估参数的理论期望值
理论模型中的待估参数一般都具有特定的经济含义,它们的数值,要待模型估计、检验后,即经济数学模型完成后才能确定,但对于它们的数值范围,即理论期望值,可以根据它们的经济含义在开始时拟定。
这一理论期望值可以用来检验模型的估计结果。
拟定理论模型中待估参数的理论期望值,关键在于理解待估参数的经济含义。
例如上述生产函数理论模型中有4个待估参数和α、β、γ和A。
其中,α是资本的产出弹性,β是劳动的产出弹性,γ近似为技术进步速度,A是效率系数。
根据这些经济含义,它们的数值范围应该是
0<α<1,0<β<1,α+β≈1,0<γ<1并接近0,A>0。
二、样本数据的收集
样本数据的收集与整理,是建立计量经济学模型过程中最为费时费力的工作,也是对模型质量影响极大的一项工作。
从工作程序上讲,它是在理论模型建立之后进行,但实际上经常是同时进行的,因为能否收集到合适的样本观测值是决定变量取舍的主要因素之一。
1.几类常用的样本数据
常用的样本数据有三类:
时间序列数据、截面数据和虚变量数据。
时间序列数据是一批按照时间先后排列的统计数据,一般由统计部门提供,在建立计量经济学模型时应充分加以利用,以减少收集数据的工作量。
在利用时间序列数据作样本时,要注意以下几个问题。
一是所选择的样本区间内经济行为的一致性问题。
例如,我们建立纺织行业生产模型,选择反映市场需求因素的变量,诸如居民收入、出口额等作为解释变量,而没有选择反映生产能力的变量,诸如资本、劳动等,原因是纺织行业属于供大于求的情况。
对于这个模型,利用时间序列数据作样本时,只能选择80年代后期以来的数据,因为纺织行业供大于求的局面只出现在这个阶段,而在80年代中期以前的
一个长时期里,我国纺织品是供不应求的,那时制约行业产出量的主要因素是投入要素。
二是样本数据在不同样本点之间的可比性问题。
经济变量的时间序列数据往往是以价值形态出现的,包含了价格因素,而同一件实物在不同年份的价格是不同的,这就造成样本数据在不同样本点之间不可比。
需要对原始数据进行调整,消除其不可比因素,方可作为模型的样本数据。
三是样本观测值过于集中的问题。
经济变量在时间序列上的变化往往是缓慢的,例如,居民收入每年的变化幅度只有5%左右。
如果在一个消费函数模型中,以居民消费作为被解释变量,以居民收入作为解释变量,以它的时间序列数据作为解释变量的样本数据,由于样本数据过于集中,所建立的模型很难反映两个变量之间的长期关系。
这也是时间序列不适宜于对模型中反映长期变化关系的结构参数的估计的一个主要原因。
四是模型随机误差项的序列相关问题。
用时间序列数据作样本,容易引起模型随机误差项产生序列相关。
这个问题后面还要专门讨论。
截面数据是一批发生在同一时间截面上的调查数据。
例如,工业普查数据、人口普查数据、家计调查数据等,主要由统计部门提供。
用截面数据作为计量经济学模型的样本数据,应注意以下几个问题。
一是样本与母体的一致性问题。
计量经济学模型的参数估计,从数学上讲,是用从母体中随机抽取的个体样本估计母体的参数,那么要求母体与个体必须是一致的。
例如,估计煤炭企业的生产函数模型,只能用煤炭企业的数据作为样本,不能用煤炭行业的数据。
那么,截面数据就很难用于一些总量模型的估计,例如,建立煤炭行业的生产函数模型,就无法得到合适的截面数据。
二是模型随机误差项的异方差问题。
用截面数据作样本,容易引起模型随机误差项产生异方差。
这个问题后面还要专门讨论。
虚变量数据也称为二进制数据,一般取0或1。
虚变量经常被用在计量经济学模型中,以表征政策、条件等因素。
例如,建立我国的粮食生产计量经济学模型,以粮食产量作为被解释变量,解释变量中除了播种面积、化肥使用量、农机总动力、成灾面积等变量外,显然,政策因素是不可忽略的。
1980年前后,由于实行了不同的政策,即使上述变量都没有变化,粮食产量也会发生大的变化。
于是必须在解释变量中引人政策变量,用一个虚变量表示,对于1980年以后的年份,该虚变量的样本观测值为1,对于1980年以前的年份,该虚变量的样本观测值为0。
也可以取0、l以外的数值,表示该因素的变化程度。
例如,在工业生产模型中用虚变量表示气候对工业生产的影响,可以将不同年份气候的影响程度,分别用0、1、-1,甚至0.5、-0.5等表示。
不过,这种方法应慎用,以免违背客观性。
2.样本数据的质量
样本数据的质量问题大体上可以概括为完整性、准确性、可比性和一致性四个方面。
完整性,即模型中包含的所有变量都必须得到相同容量的样本观测值。
这既是模型参数估计的需要,也是经济现象本身应该具有的特
准确性,有两方面含义,一是所得到的数据必须准确反映它所描述的经济因素的状态,即统计数据或调查数据本身是准确的;二是它必须是模型研究中所准确需要的,即满足模型对变量口径的要求。
前一个方面是显而易见的,而后一个方面则容易被忽视。
例如,在生产函数模型中,作为解释变量的资本、劳动等必须是投入到生产过程中的、对产出量起作用的那部分生产要素,以劳动为例,应该是投入到生产过程中的、对产出量起作用的那部分劳动者。
于是,在收集样本数据时,就应该收集生产性职工人数,而不能以全体职工人数作为样本数据,尽管全体职工人数在统计上是很准确的,但其中有相当一部分与生产过程无关,不是模型所需要的。
一致性,即母体与样本的一致性。
上面在讨论用截面数据作为计量经济学模型的样本数据时已经作了介绍。
违反一致性的情况经常会发生,例如,用企业的数据作为行业生产函数模型的样本数据,用人均收入与消费的数据作为总量消费函数模型的样本数据,用31个省份的数据作为全国总量模型的样本数据,等等。
三、模型参数的估计
模型参数的估计方法,是计量经济学的核心内容。
在建立了理论模型并收集整理了符合模型要求的样本数据之后,就可以选择适当的方法估计模型,得到模型参数的估计量。
模型参数的估计是一个纯技术的过程,包括对模型进行识别(对联立方程模型而言)、估计方法的选择、软件的应用等内容。
在后面的章节中将用大量的篇幅讨论估计问题,在此不重复叙述。
四、模型的检验
在模型的参数估计量已经得到后,可以说一个计量经济学模型已经初步建立起来了。
但是,它能否客观揭示所研究的经济现象中诸因素之间的关系,能否付诸应用,还要通过检验才能决定。
一般讲,计量经济学模型必须通过四级检验,即经济意义检验、统计学检验、计量经济学检验和预测检验。
1、经济意义检验
经济意义检验主要检验模型参数估计量在经济意义上的合理性。
主要方法是将模型参数的估计量与预先拟定的理论期望值进行比较,包括参数估计量的符号、大小、相互之间的关系,以判断其合理性。
首先检验参数估计量的符号。
例如,有下列煤炭行业生产模型:
煤炭产量=-108.5427+0.00067某固定资产原值+0.01527某职工人数-0.00681某电力消耗量+0.00256某木材消耗量
在该模型中,电力消耗量前的参数估计量为负,意味着电力消耗越多,煤炭产量越低,从经济行为上无法解释。
模型不能通过检验,应该找出原因重新建立模型。
如果所有参数估计量的符号正确,则要进一步检验参数估计量的大小。
例如,有下列煤炭企业生产函数模型:
Ln(煤炭产量)=2.69+1.85Ln(固走资产原值)+0.51Ln(职工人数)
因为该模型是一个对数线性模型,所以在该模型中,固定资产原值前的参数的经济意义是明确的,即固定资产原值的产出弹性;表示当固定资产原值增加1%时煤炭产量增加的百分数。
根据产出弹性的概念,该参数估计量应该是0与1之间的一个数,模型中的参数估计量虽然符号正确,但是数值范围与理论期望值不符,不能通过检验。
应该找出原因重新建立模型。
即使模型参数估计量的符号正确、数值范围适当,仍然不能说已经通过经济意义检验,还要对参数之间的关系进行检验。
例如,有下列职工家庭日用品需求模型:
Ln(人均购买日用品支出额)=-3.69+1.20Ln(人均收入)一6.40Ln(日用品类价格)
该模型也是一个对数线性模型,所以在该模型中,人均收入和日用品类价格前的参数的经济意义是明确的,即是它们各自的需求弹性。
该二参数估计量的符号是正确的,数值范围大体适当。
但是根据经济意义,二参数估计量之和应该在1左右,因为当收入增长1%、价格增长1%时,人均购买日用品支出额也应该增长1%左右。
显然该模型的参数估计量不能通过检验。
应该找出原因重新建立模型。
只有当模型中的参数估计量通过所有经济意义的检验,方可进行下一步检验。
模型参数估计量的经济意义检验是一项最基本的检验,经济意义不合理,不管其他方面的质量多么高,模型也是没有实际价值的。
2、统计检验
统计检验是由统计理论决定的,目的在于检验模型的统计学性质。
通常最广泛应用的统计检验准则有拟合优度检验、变量和方程的显著性检验等。
3、计量经济学检验
计量经济学检验是由计量经济学理论决定的,目的在于检验模型的计量经济学性质。
通常最主要的检验准则有随机误差项的序列相关检验和异方差性检验,解释变量的多重共线性检验等。
4、模型预测检验
预测检验主要检验模型参数估计量的稳定性以及相对样本容量变化时的灵敏度,确定所建立的模型是否可以用于样本观测值以外的范围,即模型的所谓超样本特性。
具体检验方法为:
(1)利用扩大了的样本重新估计模型参数,将新的估计值与原来的估计值进行比较,并检验二者之间差距的显著性;
(2)将所建立的模型用于样本以外某一时期的实际预测,并将该预测值与实际观测值进行比较,并检验二者之间差距的显著性。
经历并通过了上述步骤的检验后,可以说已经建立了所需要的计量经济学模型,可以将它应用于预定的目的。
五、计量经济学模型成功三要素
究成果时,对数据的可得性、可用性、可靠性缺乏认真的推敲;在研究过程中出现问题时,较少从数据质量方面去找原因。
而目前的实际情况是,数据已经成为制约计量经济学发展的重要问题。
六、相关分析、回归分析和因果分析
从上述建立计量经济学模型的步骤中进一步看出,经典计量经济学方法的核心是采用回归分析的方法揭示变量之间的因果关系。
但是,变量之间具有相关性并不等于具有因果性。
这是建立计量经济学模型中一个十分重要的概念,那么首先需要对相关关系与因果关系作一简要的说明。
所谓相关关系,是指两个以上的变量的样本观测值序列之间表现出来的随机数学关系,用相关系数来衡量。
如果两个变量样本观测值序列之间相关系数的绝对值为1,则二者之间具有完全相关性(完全正相关或完全负相关);如果相关系数的绝对值比较大,或接近于1,则二者之间具有较强相关性;如果相关系数的绝对值为0,或接近于0,则二者之间不具有相关性。
如果一个变量与其他两个或两个以上变量的线性组合之间具有相关性,那么它与每一个变量之间的相关系数称为偏相关系数。
相关关系是变量之间所表现出来的一种纯数学关系,判断变量之间是否具有相关关系的依据只有数据。
所谓因果关系,是指两个或两个以上变量在行为机制上的依赖性,作为结果的变量是由作为原因的变量所决定的,原因变量的变化引起结果变量的变化。
因果关系有单向因果关系和互为因果关系之分。
例如,劳动力与国内生产总值之间具有单向因果关系,在经济行为上是劳动力影响国内生产总值,而不是相反;但是,在国内生产总值与消费总额之间则存在经济行为上的互为因果关系,国内生产总值既决定消费总额,反过来又受消费的拉动。
具有因果关系的变量之间一定具有数学上的相关关系。
而具有相关关系的变量之间并不一定具有因果关系。
例如中国的国内生产总值与印度的人口之间具有较强的相关性,因为二者都以较快的速度增长,但显然二者之间不具有因果关系。
相关分析是判断变量之间是否具有相关关系的数学分析方法,通过计算变量之间的相关系数来实现。
回归分析也是判断变量之间是否具有相关关系的一种数学分析方法,它着重判断一个随机变量与一个或几个可控变量之间是否具有相关关系。
由于它的特定的功能,所以也被用来进行变量之间的因果分析。
但是,仅仅依靠回归分析尚不能对变量之间的因果关系作出最后判断,必须与经济行为的定性分析相结合。
这就是上面强调的建立计量经济学模型的三要素。